The input dimensions are 3  16  1

The input dimensions are 3  16  128  171. We also use jittering by using random crops with a size of 3  16  112  112 of the input clips during training. The networks have 5 convolution layers and 5 pooling layers (each convolution layer is immediately followed by a pooling layer), 2 fully-connected layers and a softmax loss layer to predict action labels. The number of filters for 5 convolution layers from 1 to 5 are 64, 128, 256, 256, 256, respectively. All convolution kernels have a size of d where d is the kernel temporal depth (we will later vary the value d of these layers to search for a good 3D architecture)

Kết quả (Việt) 1:

Các kích thước đầu vào là 3 16 128 171. Chúng tôi cũng sử dụng jittering bằng cách sử dụng cây ngẫu nhiên với kích thước 3 16 112 112 của clip đầu vào trong quá trình đào tạo. Các mạng có các lớp 5 convolution và 5 tổng hợp các lớp (mỗi lớp convolution ngay lập tức tiếp theo là một lớp pooling), đầy đủ kết nối 2 lớp và một softmax mất lớp để dự đoán hành động nhãn. Số lượng các bộ lọc cho 5 convolution lớp từ 1 đến 5 là 64, 128, 256, 256, 256, tương ứng. Tất cả convolution hạt nhân có kích thước của d, d đâu sâu thời gian hạt nhân (chúng ta sau này sẽ thay đổi giá trị d của các lớp để tìm kiếm một kiến trúc 3D tốt)

Kết quả (Việt) 2:

Các kích thước đầu vào là 3? 16? 128? 171. Chúng tôi cũng sử dụng jittering bằng cách sử dụng cây ngẫu nhiên với kích thước là 3? 16? 112? 112 clip đầu vào trong quá trình đào tạo. Các mạng có 5 lớp chập và 5 lớp tổng hợp (mỗi lớp chập được ngay lập tức theo sau là một lớp tổng hợp), 2 lớp đầy đủ kết nối và một lớp mất softmax để dự đoán nhãn hành động. Số lượng các bộ lọc cho 5 lớp chập 1-5 là 64, 128, 256, 256, 256, tương ứng. Tất cả các nhân chập có kích thước d trong đó d là hạt nhân dương sâu (chúng tôi sau này sẽ thay đổi các giá trị d của các lớp để tìm kiếm một kiến ​​trúc 3D tốt)